整理说明：本内容前半部分根据现场录音整理，严格保留报告原有讲述顺序与话题逻辑；对口语化表述、重复语气词做适度润色以提升可读性，补充少量衔接语句保证行文连贯。
今天下午我聊人工智能话题。上午有几位老师也涉及到这个话题，我就相对深入地展开，先从几组让人振奋的数据说起。
去年4月《Nature》做过一项全球调查，统计不同国家研究人员对人工智能的信心，也就是认为AI利大于弊的比例。结果很有意思：中国研究人员的认可度是最高的，其次是美国，再往后是欧盟、印度，然后是低收入国家，最后是英国。当然这只是几个代表性国家，不是覆盖所有国家。
如果人工智能代表着未来的核心技术，那这份信心排名，放在两个五年计划、也就是十年之后看，可能就对应着世界综合国力的排名。不知道大家同不同意这个判断？从另一个角度说，这也反映了我们国家政策的成功——中国人拥抱人工智能的比例远远高于其他国家，这和我们把人工智能作为新质生产力的核心、上升为国家战略来宣传推动是分不开的。
说起来，中国在人工智能这类新技术上的表现，现在确实可圈可点。最近顶刊上有不少相关的文章，都在讨论中国的发展经验。我们以前总说公知们“崇洋媚外”，觉得国外的就是好的；现在反过来，全球范围内“中吹”都多起来了，而且这些内容都发在非常好的学术杂志的新闻栏目里。上午钟寰教授也给大家科普过《Nature》《Science》的栏目设置，我自己几乎每期都读，这些新闻内容基本不会漏掉。
这些报道里提到，以前我们更多是科技输入型，现在自主成长起来、卓有成就的科学家越来越多。有句话说得很诚恳：“还用10年前的视角看待中国，不仅是认知落后，更可能错过未来数十年的科技合作机遇。”虽然被叫做“中吹”，但内容是很实在的。
文章里总结了中国科技发展的几个动因：第一是科技自强的动机非常强，尤其是在外部打压的环境下，反而逼出了更快的发展速度——很多时候我们就是这样，觉得有路可走的时候反而会偷懒，真的无路可走了，反而发展得最快；第二是国家的政策承诺能落到实处，我们现在对欧美祛魅之后也发现，全世界说到做到的大国，除了中国好像找不到第二个。
第三点特别有意思，文章举了两所中国大学作为代表，上海的复旦大学和北京的清华大学。我最近出去做招生宣传也常说，这就是外国人眼里的中国顶尖大学，欢迎大家报考复旦大学。
更巧的是，文章里专门点出了中国两个发展非常突出的领域：一个是生态环境，一个是人工智能。这正好都是我今天要聊的话题，放在这里作为开场再合适不过了。
上一周《Nature》还有一篇文章，和我今天的主题也高度相关，讲的是人工智能将如何重塑数学和物理领域的科学发现。我觉得这篇文章很好地总结了当下全人类对AI的认知——我们对人工智能的理解一直是动态发展的，不要把它看成固定不变的东西。哪些是它真实的特征，哪些是我们的误解，其实一直在更新。总结下来，AI在科研里的作用和边界，大概有这么几点：
第一，选研究方向这件事，AI还替代不了人。现在的人工智能还缺乏人类的直觉，我们对真实世界有切身的感知，而AI的所有感知几乎都是人类通过语言文字输送给它的。哪怕现在有了具身机器人，也只能部分替代人类的感知，还远远达不到人类直觉的深度。
第二，把模糊的想法变得严谨，AI是最好的查漏补缺工具。这是我们平时用得最多的功能，用好了能做到很多人工做不到的事。
第三，找灵感、提猜想，AI的想象力足够丰富，能给人很多启发。
第四，解题和查错，AI是最靠谱的验算员。我们一边说AI容易犯错，一边又不得不承认，它找别人的错误特别在行，用来查自己的漏洞非常好用。
所以核心结论就是：人工智能的出现，重塑了人们提出问题、探究问题、理解问题的方式。这一点非常重要，而科普和科学传播，本质上就是认知的改变，所以AI对科普的影响，其实比我们想象的更深。
说到认知改变，有个很反常识的现象，刚好能打我们的固有印象的脸。我们总觉得年轻人最愿意接触新技术，但现实是：美国好几所大学的毕业典礼上，嘉宾上台讲“大家要拥抱人工智能”，台下学生一片嘘声。为什么？因为对现在的年轻人来说，人工智能带来的最大焦虑就是找不到工作，这种抵触是发自内心的，而且不是一起两起，是多所学校都出现了。这个现象不是个例，上周《Nature》专门有文章分析学生喝倒彩的原因。
现在很多高校的AI教育，做得其实非常糟糕。比如很多人觉得提示词就是人工智能的灵魂，把提示词工程吹上天；还有所谓的“人工智能赋能课程”，本质上是把人工智能当成计算机的一个子学科，生硬地往各门课里塞。大家去看看现在高校里的AI相关课程，说实在的，看了都想摇头，学生根本不想上。一门课只要沾一点机器学习，就敢叫人工智能课程，这种硬性穿插，只会让学生觉得痛苦不堪。
这篇文章篇幅不短，时间关系我没法展开讲，强烈建议大家都去读一读，能帮我们真正了解当下学生的真实想法和现实困境。
我对人工智能的关注其实很早。我是从1997年IBM深蓝击败国际象棋人类冠军的时候就开始关注了。后来我一直保持着对领域动态的关注。Scopus数据库每年都会统计《Nature News》里的热词排名，2018年，“人工智能”和“教育”两个词双双进入热词榜。我当时就想，能不能把这两个概念结合起来写点东西？于是就有了我最早的一篇相关论文——《人工智能时代的高等教育变革》。
这篇文章2019年发表的时候，没多少人觉得它有什么用。但三年之后，也就是2023年，它被《新华文摘》全文转载了。之所以三年后突然受关注，是因为2022年10月，ChatGPT横空出世了，生成式人工智能真正走到了大众面前。
ChatGPT给我的震撼，从来不是它有多厉害、能做多少事。真正震撼我的是：它能听懂人话。这可能是人类历史上门槛最低的计算机程序——你不用学任何编程语言，不用记任何指令，用日常说话的方式就能和计算机交流。当我意识到这一点的时候，我就觉得这个东西太强了。
从那之后，我在很多场合做报告都会聊人工智能的话题。
自己也在教学里做了很多落地的实践：
我申请了人工智能融合本专业课程的教学项目，今年刚刚结题，验收结果是优秀；这门课也入选了复旦大学首批智慧课程。
去年是复旦大学120周年校庆，学校和Nature出版社联合出版了《科学智能白皮书》，也就是最初的“AI for Science”主题，后来觉得名字太泛就改了，中英文版本都有。我很荣幸受邀撰写了其中“AI for Ecology（人工智能赋能生态学）”的章节，里面专门谈到了人工智能和生态学的双向创新。
还有一件事我自己很看重：现在人工智能专业火，成绩好的孩子，家长和老师往往都怂恿他们去报工科、报AI相关专业。但其实有很多孩子是真心喜欢生态学的，如果按现有专业设置，他们选了人工智能可能就和生态学分道扬镳了。能不能做一个双学位？喜欢生态学没关系，来我们这儿，生态学和人工智能一起学，既满足兴趣，也跟上时代，还能把优秀的学生吸引到生态学领域来。于是我们申请了“生态学与人工智能双学士学位”，也很荣幸，今年6月份上海市教委已经正式批准了。
我一直和大家强调一个观点：真正的人工智能赋能，不是用AI去做一件你本来就能做的事，只是提高了效率；而是借助AI，做成一件你以前做不了、别人也做不了的事。这才是“赋能”真正的含义。
对应到每个人的使用方式，大概可以分成三层境界：
第一层：工具思维
只把AI当工具用，跟着工具的迭代不停跑，永远在学新工具、适应新工具，做的都是最基础、最辛苦的活。AI当然可以当工具，但你只把它当工具，就会过得很苦，也很容易被替代。
第二层：效率思维
这是大多数人目前的阶段：用AI提升已有工作的效率。比如一个翻译整本书的任务，放在以前是很大的工作量。现在可以让AI自动把书按章节切分，自动逐章翻译，再自动配上插图，这些操作一键就能完成。最后再对照原文润色、调整成语言风格。整个翻译的速度，觉得比以前提高一百倍都不夸张。效率提升当然是好事，这是AI的基础价值，但这还不是最核心的。
第三层：战略思维
真正拉开差距的，是战略思维——去思考哪些事是现在还做不了、但有了AI就能做成的；去布局未来的方向，等别人反应过来的时候，你已经遥遥领先了。
工具思维、效率思维都可以有，但不能只停留在这两层。你一定要有战略层面的思考，不要总用AI去替代你已经在做的事，要去做以前做不成的事。
我自己的课程实践，其实就是沿着这个思路逐年进阶的：
202年，国内大多数人还用不上ChatGPT的时候，我就在课程微信群里接入了AI机器人“阿宝”，学生只要@阿宝就能提问，所有人都能看到问题和回答，相当于让全班同学都用上了当时最前沿的工具。这在当时就是很多人做不到的事。 2024年、2025年，我每年都在课程里做新的尝试，都是以前敢想不敢做的事。 到了2026年，也就是这学期，我的课程期末要求更“大胆”：让每个学生写一本自己爱看的书。有的学生一开始野心很大，想写上中下三册、超过1000页，我赶紧打住，说先写一两章就行，以后有兴趣我们可以继续合作写完。我甚至本来打算，期末考试就从学生自己写的书里出题考他——“自己挖的坑自己填”。这件事放在没有AI的时代，是根本不可能实现的。
你看，人工智能带来的是一种放大效应，它能帮我们获得过去根本不存在的能力，这才是赋能的真正意义。
说到这里，就回到我们今天的主题了：科普教育领域，有哪些以前做不了、现在能做的事？
聊这个之前，我们得先想清楚一个根本问题：我们做科普，把一个人讲“懂”了，到底什么叫“懂了”？这个问题非常值得深思。以前我们没有精力和每一个听众长期互动，没法确认他是不是真的懂了，但有了人工智能之后，这件事就有了新的可能。
先说说我们传统科普里常见的问题。
第一个问题，是术语堆砌的“假懂”。《Science》上有篇文章报道过一个很有意思的实验：问“为什么糖果受压的时候会发光？”，有两种回答。
一种是：“糖果发光是因为带电粒子碰撞释放电磁波。”——全是专业术语，听起来科技含量很高。
另一种是：“糖果发光是因为里面的物质破裂时释放了能量。”——更通俗，也解释了现象。
结果发现，人们反而更喜欢有术语的那个回答，哪怕其实根本没听懂术语是什么意思。
这就很讽刺了：术语越多，大家越觉得“专业”，科普进展得越“顺利”，但实际上听众可能啥也没搞懂，只是获得了一种“我懂了”的错觉。现在的人工智能，特别擅长生成这种满是术语、看似专业的内容，如果我们的科普还走这条路，就很容易变成“用胡说八道让你觉得自己懂了”，那到底是真懂还是假懂？
第二个问题，是单向输出的“无效轰炸”。很多科普就是狂堆数据、单向灌输，把知识点一股脑塞给受众。比如疫苗科普，很多人以为甩一堆数据就能说服人，但实际效果并不好。真正有效的传播，是要有互动、有对话的。
这一点连《Nature》自己都在反思。前几天有篇文章就说，科学传播的未来，不是再写传统的科普文章——它说的不是别人，就是《Nature》自己的科普内容。它承认自己的传播方式已经跟不上时代了，现在的年轻人更愿意接受新媒体的形式，再守着单向的文章输出，效果只会越来越差。
所以我最想说的是：在人工智能时代，科普正在经历一场范式转移。
以前的科普是“翻译者范式”：我是专家，我把专业知识翻译成大白话讲给你听，我给你标准答案，你接收就行。就像翻译一样，把一种语言转换成另一种语言。
但未来的科普，应该是“对话者范式”：不是我讲你听，而是你和AI对话、和知识对话，在提问、质疑、追问的过程中自己搞懂。这甚至可以叫“自我科普”——你不是被动接收，而是主动探索。
在对话者模式里，你不会轻易被“假懂”糊弄过去。因为你会质疑，你会追问“等等，这是不是意味着另一件事？”，你会一步步挖下去，直到真的理解。我们这个时代，不需要你记住人工智能给的标准答案，而是要你成为人工智能的对话者。
说到对话，很多人马上就能想到——苏格拉底式提问。在人工智能的加持下，我们可以让AI模拟苏格拉底的诘问方式，通过不断反问引导人深入思考。这是我们这段时间在教育和科普里找到的非常有效的方式。
它最大的优势就是个性化：每个人的知识基础不一样，困惑的点不一样，感兴趣的方向也不一样。在和AI对话的过程中，你可以逐步展示自己想知道什么，它就针对你的情况不断提问、引导，最终帮你把问题想透。这种模式对学生有效，对科研工作者同样有效。
当然，新范式也不是完美的，同样面临很多挑战。比如：算法推荐给你的内容，不一定是价值最高的，往往是最迎合你、最吸引眼球的；再比如，真正有价值的科普内容，不一定能赚到钱，商业化和内容价值之间的矛盾，到现在也没有很好的解法。这些都是我们要面对的现实问题。
【后面的内容是补充的，没有来得及给大家报告的。】
机遇是什么？挑战是什么？先看机遇。三个。
第一，个性化认知脚手架——不只是调整语言难度，而是根据每个人的思考轨迹动态追问。
第二，兴趣驱动而非理解驱动——让人有兴趣比让人理解更根本。兴趣是引擎，理解只是沿途一站。
第三，科学家角色的双向重塑——做科普的人，自己在这个过程中也会被改变。
“听懂”有三个层次
A能复述，B能推理，C能应用。过去的科普满足于A，但真正有价值的是B和C。要达到B和C，需要的不是"更清楚的解释"，而是受众在自己的头脑里走一遍推理过程——经历概念冲突、框架重构。这座"理解之山"，从山脚的A 到山顶的 C，路上有几个"对话站"。AI不是把你直接抱上去，而是在每个站递给你一块认知积木——一个追问——然后等你。你自己踩上去。山腰那个裂缝——"认知冲突"——是AI 绝对不能替你跳过去的。你必须自己跨。这就是个性化认知脚手架——不是为你铺好路，而是陪你自己走。
聊天的时候，有一个判断我觉得特别重要——"让人有兴趣"比"让人理解"更根本。因为理解可能是一个终点——"我懂了，够了"。而兴趣是一个起点——"我觉得有意思，所以继续探讨"。
但AI 时代有一个巨大的陷阱。看上半屏，短视频瀑布流。"哇好神奇！""你绝对想不到！"0.3秒后下一个。无穷无尽的新奇刺激。这算不算"有兴趣"？算。但这是浅层兴趣，被新奇不断驱动，但从来不深入。
真正持久的兴趣是下半屏这种，你坐在桌前，在和一个追问你的AI 对话。一个瞬间，你突然发现了一个之前没意识到的联系。那个"等等，这是不是意味着……"的瞬间——你的眼睛亮了。这是内在兴趣。它来自你自己的思维参与感，不是来自外部新奇的刺激。AI可以无限供应浅层兴趣。但内在兴趣——那个"我自己发现的"ownership——AI给不了你。你只能在对话中自己挣到。
这个发现是我读相关文章之前完全没有预料到的。
做科普的人，自己在这个过程中也在被改变。MatthiasRillig是土壤生态学教授，管着 40多人实验室。疫情期间他开始做YouTube，讲"怎么在学术圈生存"。为准备视频，他研究"如何高效记笔记"——结果发现自己的笔记习惯一团糟。改进后，产出了原本不会有的论文。视频还成了实验室的"活态知识库"——新来的学生遇到问题，他发一个视频链接就行。
André Isaacs 是化学教授。他在 TikTok 上和Gen Z 学生一起跳舞。在这个过程中，他学会了学生的词汇，理解了这代人的焦虑。他说："我让学生教我跳舞。我作为老师、处于权力高位，我退一步，翻转了这个关系。"科普不是单向牺牲——"我花时间科普就少做研究"。它是双向的。输出知识的过程，逼着你自己先把东西想清楚。
当然不是全是好消息。还有三个挑战，每一个都很棘手。
而且它们不会因为 AI技术更先进就自动消失。实际上，前两个可能会因为AI 更强大而变得更严重。
挑战一：算法混淆。 社交媒体优化的是什么？不是"用户理解了多少"，而是"用户停留了多久、点赞了没有、评论了没有"。TikTok上ADHD 相关内容超过一半是误导性的——集体播放 2.8亿次。AI生成的"令人满意但错误"的内容，比准确但平淡的内容更容易被算法推流。在注意力经济里，真理不是竞争优势。
挑战二：经济模式。 你坐下来和AI 做一场苏格拉底式对话——这不能插广告、不能带货、不能让你"一键购买"。它怎么赚钱？Simon Clark 是全职科学 YouTuber，他在Nature 的原话是"现金流是个真正的问题"。Heidi Larson 是疫苗信心研究的世界级专家，她说科学家比反疫苗活动家"落后好几光年"——反疫苗的人高度组织化、资金充足。
挑战三：马太效应。 把苏格拉底式AI 科普做成 App 放在商店——谁会下载？已经受过良好教育、有批判性思维的人。用了之后变得更强。而最需要帮助的人——信息弱势群体——可能根本不知道有这个东西。技术如果不加设计地投放，往往扩大不平等而不是缩小它。
这张表，左边是传统 AI科普，右边是苏格拉底式AI 科普。核心区别不在于"AI 有没有用"，而在于AI和人之间的关系。
传统模式：你是接收者，AI是解释者。它告诉你答案。你满意地点头。单向的。兴趣来自新奇——下一个视频说什么？
苏格拉底模式：你是共同思考者，AI是追问者。它问你"你怎么看？"。你在想的过程中突然说"等等，这是不是意味着……"。对话是螺旋的。兴趣来自你自己在思考中体验到的那种参与感。
AI 科普的未来，不是"更强的AI 给你更好的答案"，而是"AI换一个角色——从替你思考变成陪你思考。"
七条原则。每一条都对应着现有 AI科普容易犯的错误。
一次一个问题。 ChatGPT最大的毛病就是一口气给你五条建议。每条都有道理，但没有一条让你停下来想。苏格拉底从不同时问两个问题。
沉默是金。 受众在思考的时候，AI必须能等。现在的AI 太怕冷场了，0.3 秒就给你塞新内容。
假装无知，真正好奇。 不要用"我已经知道答案了只是考考你"的姿态。要真的想知道这个人会怎么回答。
不理解是肥沃的。 当受众被追问到"我不知道了"的时候——那就是突破的前夜。不要急着救。
让他们自己说出来。 忍住。insight在他们嘴边的时候，别替他们说。
文献作为探针，不是答案。 不要说"这篇论文说你应该这么做"。要说"我找到一篇论文，它的假设和你的完全相反——如果他们是对的，你的直觉还能成立吗？"
语言镜像。 永远用对方正在使用的语言和认知水平。不往上拔。不展示自己的知识。
"科学教育加法"是国策。但加法怎么加？上半屏——最容易走偏的路。增加科学课时。增加科普读物。增加科技馆参观。这些都是"量"的加法，仍然是"翻译者模式"的延伸。下半屏——苏格拉底式的做法。一个嵌入课堂的AI 追问工具。不是讲更多课，不是布置更多阅读——是让每个孩子都有机会和一个追问他的 AI对话。你觉得哪个更能培养科学思维？
我们已经有很好的基础设施——B站的弹幕文化、知乎的问答机制、微信的对话生态。只需要把"偶尔发生的好对话"升级为"系统化的追问体验"。
第一，术语效应的中文对策。 AI追问时专门设一个环节："请用你自己的话说一遍你刚才听到的内容。"如果受众说出来的和术语不一样，那才是理解的开始。
第二，城乡公平。 不依赖高端设备和高速网络。微信小程序里的轻量级对话、嵌入农村中小学信息技术课程的AI 追问模块、培训乡村教师成为 AI 科普的"人工桥梁"。
第三，内容治理的边界。 苏格拉底式追问限定在"科学解释的逻辑和证据"范围内。"这个实验的样本量是否足够？""这个结论有没有其他解释？"——这些不会触碰红线，但能有效培养科学思维。
第四，中国式的苏格拉底。 古希腊的苏格拉底有很大对抗性——盘诘、逼问到墙角。中国有自己的对话传统——孔子的启发式问答、禅宗的机锋、书院的诘难。它们更迂回、更强调启发而非击败。"中国式苏格拉底科普"——少一点对抗，多一点故事性的迂回。
第五，实证研究。 术语效应在中英文里是不是真的有差异？城乡受众对AI 追问的接受度有什么不同？不同平台上的对话模式如何影响理解深度？——我们几乎一无所知。这是研究者的下一个任务。
我的演讲到此结束。最后，我想留给大家一个问题：如果AI不再替你思考，而是反过来逼迫你去思考，你还愿意和它对话吗？谢谢大家。
最后，为了做这个报告，我读了如下文章：